协同过滤的简单实现

数据集：http://grouplens.org/datasets/movielens/

u_mr

{user:{movie:rating,},}

转换为

m_ur

{movie:{user:rating,},}

 

相关系数(similarity)计算：

欧几里得距离；皮尔逊相关系数；其他还有Jaccard系数，曼哈顿距离算法

输入：两个暂时用字典表示的{key:value,}

输出：相关系数

 

m_mp

{movie:{movie:similarity,},}

书上用的是欧几里得距离算电影之间的相关性

 

对user进行推荐

获取u_mr[user]:{movie:rating,}

获取m_mp[movie]:{movie,similarity,}

       movie不在u_mr[user]中

 

计算u_mr[user]和 m_mp[movie]

评价值与相似度的加权之和

全部相似度之和

将每个合计值除以加权和，求出平均值，即为估计的用户评分

 

返回排序后的推荐列表

{movie1:value,movie2:value,}